在AI经营模拟测试中，GPT-6 Astra以显著优势击败竞争对手Claude Fable 5.1，成为首个登顶Vending-Bench 2基准测试的OpenAI模型。这场持续一年的虚拟经营实验中，Astra管理的账户平均余额达到15,515美元，是Fable 5.1（5,422美元）的近三倍，甚至其最差单轮表现也优于对手最佳成绩。
测试规则要求模型以500美元启动资金独立运营自动售货机业务，涵盖供应商谈判、库存管理、价格调整等全流程决策。Astra展现出的成本控制能力尤为突出：在可乐采购中，面对供应商226.32美元的初始报价，它通过持续谈判将价格压至108美元，降幅达52%，且在后续运营中始终维持低价优势。相比之下，Fable采购的可乐价格在测试期间从1.17美元攀升至2.21美元，6轮中有5轮出现涨价。
长期执行稳定性成为关键分水岭。当模拟环境中的供应商陆续倒闭时，Fable因未严格执行"书面确认再付款"规则，导致45次预付款失败，累计损失14,331美元。而Astra虽遭遇64次供应商关闭事件，却通过99%的付款前信息核验机制避免了任何预付款损失。数据显示，Astra每轮向供应商的付款额比Fable平均少8,540美元，这种风险控制能力直接转化为资金积累优势。
在多人竞技测试中，Astra的自主决策能力进一步凸显。当竞争对手试图通过价格同盟操纵市场时，Astra明确拒绝参与，坚持独立定价策略。反观Fable，虽在笔记中认可反对价格操纵的观点，实际操作中却先与开源AI达成冻价协议，随后又单方面降价清库存。这种策略摇摆导致其在三轮多人测试中全部落败，而Astra凭借稳定执行赢得全部冠军。
测试负责人指出，实验核心在于考察AI代理的长期自主性——面对动态环境时能否持续将正确判断转化为有效行动。Astra在采购谈判中展现的"记忆锚定"能力尤为关键：即使经过数月运营，它仍能准确回忆初始报价标准，而Fable则逐渐将历史成交价作为新谈判基准，导致成本失控。这种差异在涉及数百次决策的年度模拟中被显著放大。
实验数据揭示了更深层的执行逻辑差异：Astra在重复付款前的信息核验比例高达99%，而Fable仅为58%。当库存压力增大时，Fable有42%的概率会跳过供应商状态确认直接付款，这种"规则松弛"现象在模拟后期愈发明显。研究者认为，这反映出当前AI模型在长期任务中仍存在决策标准漂移问题，而Astra的表现证明通过强化学习可以构建更稳定的执行框架。
